Shop-R1: 給AI補上「內(nèi)心戲」，在RL博弈中復(fù)刻人類網(wǎng)購腦

某電商平臺上，一名用戶反復(fù)對比三款降噪耳機的評價、續(xù)航與材質(zhì)。這購物決策背后藏著預(yù)算、參數(shù)對比與審美偏好的博弈。但在 AI 智能體（Agent）的世界里，這種糾結(jié)往往不存在。傳統(tǒng)的 AI 購物助手更像是一個任務(wù)完成機器：接到指令，搜索，下單。他們或許能跑通流程，卻完全無法理解用戶為何在最后一刻因為一條關(guān)于 “夾耳朵” 的差評而放棄支付。簡而言之，傳統(tǒng)的電商 Agent 只是任務(wù)導(dǎo)向的（task-oriented），而不是模擬導(dǎo)向的（simulation-oriented）。為此，來自亞馬遜（Amazon）的研究團隊提出了名為 Shop-R1 的訓(xùn)練框架 。

• 論文標(biāo)題：Shop-R1: Rewarding LLMs to Simulate Human Behavior in Online Shopping via Reinforcement Learning
• 論文地址： https://arxiv.org/abs/2507.17842
• 項目主頁：https://damon-demon.github.io/shop-r1.html
• 代碼和數(shù)據(jù)：公司法務(wù)審核中... (Coming Soon!)

Shop-R1：從 “指令執(zhí)行” 到 “行為復(fù)刻”

在傳統(tǒng)的電商 AI 研究中，衡量標(biāo)準(zhǔn)往往是單一的成功率。然而，真實世界的網(wǎng)購環(huán)境是一個充滿噪聲、促銷陷阱與主觀偏好的動態(tài)迷宮。研究團隊觀察到，這種 “黑盒式” 的任務(wù)導(dǎo)向模型在面對復(fù)雜環(huán)境時，往往會產(chǎn)生邏輯斷層：它們可能因為偶然的網(wǎng)頁跳轉(zhuǎn)完成了任務(wù)，卻完全偏離了真實人類的消費習(xí)慣。

Shop-R1 的核心野心，是實現(xiàn)從 “任務(wù)完成” 到 “行為模擬” 的范式轉(zhuǎn)移。對于模擬導(dǎo)向的購物 Agent，它的終極挑戰(zhàn)在于：它需實時解構(gòu)歷史瀏覽鏈路與當(dāng)前的交互細(xì)節(jié)，從而在動態(tài)的上千種可能的操作中精準(zhǔn)預(yù)測用戶在當(dāng)前頁面維度的下一步操作。為了復(fù)刻決策過程，Shop-R1 將復(fù)雜的網(wǎng)購過程中的行為歸納為三類動作：

• 打字輸入（Type）
• 點擊（Click）
• 終結(jié)（Terminate）

模型以用戶過往瀏覽頁面及對應(yīng)操作作為輸入，并以結(jié)構(gòu)化的 JSON 形式輸出對用戶下一步動作（Action）的預(yù)測以及其背后的推理邏輯（Rationale）。

Shop-R1 采用雙階段訓(xùn)練范式：首先通過監(jiān)督微調(diào)（SFT）實現(xiàn)行為基準(zhǔn)的 “冷啟動”；隨后在強化學(xué)習(xí)（RL）階段，利用多層級獎勵機制（Hierarchical Rewards）驅(qū)動深度迭代，旨在提升模型在復(fù)雜動態(tài)環(huán)境下的邏輯推理與泛化表現(xiàn)。

第一階段：SFT 冷啟動

這種監(jiān)督式初始化（supervised initialization）在訓(xùn)練流程的早期階段發(fā)揮了關(guān)鍵作用，它幫助模型盡早內(nèi)化上下文（context）、推理過程（rationale）與動作（action）之間的結(jié)構(gòu)性依賴關(guān)系。通過在一開始就讓模型建立這些模式，進(jìn)而顯著提升了后續(xù)強化學(xué)習(xí)（RL）階段的穩(wěn)定性和樣本效率。更重要的是，這種方法為什么樣的長文本輸出才算高質(zhì)量提供了明確的信號，例如正確命名被點擊的按鈕或給出有意義的搜索查詢。而這些能力如果僅依賴強化學(xué)習(xí)往往難以獲得，尤其是在獎勵信號稀疏且延遲的情況下。

第二階段：多層級獎勵的強化學(xué)習(xí)

為了在人類行為模擬（human behavior simulation）場景中更好地引導(dǎo)策略優(yōu)化，每一步?jīng)Q策被拆分為兩個子任務(wù)：rationale 生成和 action 預(yù)測。針對每個子任務(wù)，分別設(shè)計了專門的獎勵函數(shù)，以提升模型的對齊性（alignment）和可解釋性（interpretability）。

1）二值格式獎勵（Binary Format Reward）

為了保證能夠方便且正確地從模型輸出中解析出預(yù)測的 rationale 和 action，引入了二值格式獎勵，鼓勵模型以結(jié)構(gòu)化 JSON 格式生成響應(yīng)。該格式遵循一個字典結(jié)構(gòu)，包含兩個鍵：rationale 和 action。

2）推理獎勵 （Rational Reward）

對于 rationale 生成，采用 self-certainty score，用于衡量模型對其生成 rationale 的置信程度。具體而言，我們計算模型在詞表上的預(yù)測分布與均勻分布之間的 KL 散度，并在整個輸出序列上取平均。

3）層級式動作獎勵 （Hierarchical Action Reward）

對于 action 預(yù)測，我們用一種層級式獎勵機制（hierarchical reward scheme）替代了原本脆弱的二值獎勵信號。該機制同時對粗粒度的動作類型和細(xì)粒度的子動作給予獎勵，從而穩(wěn)定訓(xùn)練過程，并抑制退化的reward hacking策略。這種層級獎勵機制使得獎勵空間更加稠密（densify the reward landscape）：它擴大了能夠獲得正收益的軌跡集合，使智能體能夠擺脫在策略搜索過程中常見的“無獎勵平臺（no-reward plateau）”，同時也使得 reward hacking 的收益變得不再劃算。

具體而言，一旦高層動作類型預(yù)測正確，無論該動作是簡單還是復(fù)雜，都可以獲得相同的粗粒度獎勵；而只有較復(fù)雜的動作，才可以通過其長文本子組件（sub-actions）進(jìn)一步獲得額外獎勵。因此，簡單地反復(fù)執(zhí)行 “terminate” 這一簡單動作將不再具有競爭性的回報，而完整執(zhí)行 (“click”, “type_and_submit”) 等動作序列則成為收益最高的策略。比如，“click” 動作包含一個子動作，用于指定需要點擊的按鈕名稱；只要子組件預(yù)測正確，模型即可獲得部分獎勵。類似地，“type_and_submit” 也包含子動作，用于提供需要輸入并提交的文本內(nèi)容。相比之下，“terminate” 不包含任何子動作，因此僅在動作類型層級進(jìn)行評分。

在評估預(yù)測準(zhǔn)確度時，我們采用任務(wù)特定的指標(biāo)：

• 對于離散的動作類型，使用exact match（完全匹配）作為判定標(biāo)準(zhǔn)；
• 對于自由文本形式的子動作，則使用ROUGE-L進(jìn)行評估。
• 對于文本型子動作（例如按鈕標(biāo)簽或搜索查詢），當(dāng)其與真實答案之間的 ROUGE-L 相似度超過預(yù)設(shè)閾值（例如 0.75）時，將根據(jù)相似度大小給予相應(yīng)的軟獎勵（soft reward）。

4）難度感知獎勵縮放因子（Difficulty-Aware Reward Scaling, DARS）

由于長文本子動作預(yù)測難度較高 （現(xiàn)代網(wǎng)頁可能包含數(shù)千個候選元素）我們進(jìn)一步引入了DARS，對正確預(yù)測這些組件的獎勵進(jìn)行放大。該機制可以有效防止一種常見的 reward hacking 行為：智能體不斷選擇簡單的 “terminate” 動作來獲取容易的獎勵。

實驗結(jié)果

如表格所示，直接使用 zero-shot 提示幾乎無法完成該任務(wù)，Qwen-2.5-3B-Instruct 的 exact-action 準(zhǔn)確率僅 0.32%，說明長序列網(wǎng)頁行為無法僅靠通用指令能力恢復(fù)。僅使用 稀疏二值獎勵的強化學(xué)習(xí)同樣效果有限，從零訓(xùn)練僅達(dá)到 1.01% exact-match 和 6.17% type accuracy。

相比之下，一輪 監(jiān)督微調(diào)（SFT）可以顯著提升性能（16.76% exact-match，22.25% type accuracy），表明密集的示例軌跡對于學(xué)習(xí) context → rationale → action 的結(jié)構(gòu)非常關(guān)鍵。但在 SFT 之后繼續(xù)使用二值獎勵 RL 提升有限。而 Shop-R1 通過結(jié)合層級獎勵、self-certainty 信號、格式獎勵以及難度感知獎勵縮放，將 exact-action accuracy 提升至 27.72%（相對 僅 SFT 提升 65%），同時顯著提升動作類型指標(biāo)，表明模型不僅更容易識別正確意圖，也能更準(zhǔn)確生成按鈕名稱或搜索查詢等長文本參數(shù)。

未來展望：視覺感官與性格派 AI

Shop-R1 的出現(xiàn)僅僅揭開了電商 Agent 進(jìn)化史的一角，未來的突破點將集中在感官增強與個性化模擬上。

引入視覺語言模型（VLM）[1] 將是下一場進(jìn)化的重頭戲。現(xiàn)有的 Agent 高度依賴 HTML 代碼，但人類網(wǎng)購時，往往會被一張富有氛圍感的頭圖擊中，或通過買家秀實拍圖的細(xì)節(jié)來判斷質(zhì)感。賦予 AI “看” 的能力，意味著它能捕捉到那些無法被文本描述的隱含情緒。

更具顛覆性的構(gòu)想在于“性格化” (Character Injection)[2]。通過調(diào)整強化學(xué)習(xí)的獎勵權(quán)重，研究人員可以賦予 AI 不同的消費畫像：

• “極致性價比黨”：會自動過濾所有冗余配件，在預(yù)算邊緣反復(fù)橫跳以尋找最優(yōu)解。
• “精致參數(shù)控”：會花費 80% 的權(quán)重分析硬件指標(biāo)與差評，而非廣告推薦。
• “顏值正義者”：視覺美感將成為其最高決策優(yōu)先級。

這種多樣化的智能體矩陣，將使 AI 能夠復(fù)刻出真實世界中 “千人千面” 的消費心理。

結(jié)語：電商的 “購物模擬器”

Shop-R1 的落地價值，遠(yuǎn)不止于幫用戶省下對比時間。對于電商巨頭而言，它更像是一個低成本、高保真的 “虛擬 A/B 測試” 環(huán)境。在傳統(tǒng)的運營邏輯中，測試一個新的推薦算法或頁面布局，往往需要真實的流量和真金白銀的補貼。而擁有了 Shop-R1 這樣具備 “人類邏輯” 的模擬導(dǎo)向智能體，平臺可以在實驗室環(huán)境中投喂數(shù)萬個 “AI 購物者”，觀察它們在面對價格波動、界面改版時的實時反饋。這不再是一個簡單的對話框，而是一個深刻理解人類欲望與權(quán)衡的購物模擬器。當(dāng) AI 開始學(xué)會解構(gòu)那些復(fù)雜的瀏覽鏈路，并精準(zhǔn)預(yù)測下一秒的操作時，人類與算法之間的博弈，才真正進(jìn)入了認(rèn)知的深水區(qū)。

參考文獻(xiàn)：

[1] Zhang Y, Gesi J, Xue R, et al. See, Think, Act: Online Shopper Behavior Simulation with VLM Agents [J]. arXiv preprint arXiv:2510.19245, 2025.

[2] Wang Z, Lu Y, Zhang Y, et al. Customer-R1: Personalized simulation of human behaviors via RL-based LLM agent in online shopping [J]. arXiv preprint arXiv:2510.07230, 2025.

第一作者介紹：

張益萌，現(xiàn)任 Amazon Applied Scientist，研究方向為生成式 AI、AI Agent 與多模態(tài)智能體。2025 年于 Michigan State University 獲計算機科學(xué)博士學(xué)位，曾為 OPTML 實驗室成員，導(dǎo)師為劉思佳副教授。曾就讀于 Columbia University 與 University of Sheffield。其研究關(guān)注高效機器學(xué)習(xí)、模型魯棒性與安全，涵蓋 LLM、擴散模型和對抗學(xué)習(xí)等領(lǐng)域，在 CVPR、NeurIPS、ICLR、ICML 等國際會議發(fā)表多篇論文。